21 search results for "联系我们"

Prodigy是由Explosion制作的注释工具，这家公司作为spaCy的创作者而广为人知。这是一个完全可脚本化的产品，拥有庞大的用户社区。该产品具有很多特点，包括与spaCy的紧密集成以及主动学习能力。但产品的主要特点是它可以通过Python进行自定义编程。 为了促进这种可定制性，Explosion开始发布插件。这些插件以开放的方式与第三方工具进行集成，鼓励用户开发定制的注释工作流程。然而，有一个特定的定制功能值得明确庆祝。上周，Explosion推出了Prodigy-HF，它提供了与Hugging Face堆栈直接集成的代码示例。在Prodigy支持论坛上，这是一个备受期待的功能，所以我们非常兴奋地将其推出。 特点 首个重要特点是这个插件允许您在已注释的数据上训练和重用Hugging Face模型。这意味着如果您一直在我们的界面上注释命名实体识别数据，您可以直接对BERT模型进行微调。 Prodigy命名实体识别界面的外观。 安装该插件后，您可以从命令行调用hf.train.ner配方，直接在自己的数据上训练一个转换器模型。 python -m prodigy hf.train.ner fashion-train,eval:fashion-eval path/to/model-out –model “distilbert-base-uncased” 这将对您在Prodigy中存储的数据集对distilbert-base-uncased模型进行微调，并保存到磁盘上。同样，该插件还通过非常相似的接口支持文本分类模型。 python -m prodigy hf.train.textcat fashion-train,eval:fashion-eval path/to/model-out –model “distilbert-base-uncased”…

“Hugging Face是一个提供各种自然语言处理（NLP）和自然语言理解（NLU）任务的工具和预训练模型的平台在我们之前的一篇文章中，我们介绍了一个温暖的…”

本文是2023年4月6日在Snorkel博客上由Friea Berg发布的文章的转载。 随着OpenAI发布GPT-4和Google推出测试版的Bard，全球企业都对利用基础模型的强大能力感到兴奋。随着这种兴奋情绪的增加，人们也逐渐意识到大多数公司和组织并没有足够的能力来充分利用基础模型。 对企业来说，基础模型带来了一系列独特的挑战。它们比以往任何时候都要大，这使得公司自行托管这些模型变得困难且昂贵，而使用现成的基础模型进行生产可能会导致性能不佳或存在重大的治理和合规风险。 Snorkel AI弥合了基础模型和实际企业应用之间的差距，并为像Pixability这样的AI创新者带来了令人印象深刻的结果。我们正在与Hugging Face合作，Hugging Face以其庞大的开源模型库而闻名，为企业提供更灵活、更多选择的AI应用开发。 Snorkel Flow中的基础模型 Snorkel Flow开发平台使用户能够根据其特定的用例来调整基础模型。应用程序开发始于对所选基础模型在其数据上的“开箱即用”预测的检查。这些预测成为这些数据点的初始版本的训练标签。Snorkel Flow帮助用户通过编程标注高效地识别模型中的错误模式并进行修正，这可以包括使用启发式或提示来更新训练标签。然后可以在更新的标签上微调基础模型，并再次进行评估，这个迭代的“检测和修正”过程会继续，直到调整后的基础模型达到足够高的质量以进行部署。 Hugging Face通过从单一来源提供超过15万个开源模型，帮助实现了这个强大的开发流程。其中许多模型专门用于特定领域的数据，例如BioBERT和SciBERT模型用于演示如何使用机器学习来发现不良药物事件。一个或者更好的是，多个专门的基础模型可以为用户提供初步预测、改进标签的提示，或者微调最终的部署模型。 Hugging Face如何帮助？ Snorkel AI与Hugging Face的合作为Snorkel Flow的基础模型功能提供了强大的支持。最初，我们只提供了少量的基础模型。每个模型都需要一个专用的服务，这使得我们无法为企业提供灵活利用日益增长的各种模型的可能性，因为成本太高和难以实现。采用Hugging Face的推理终端服务使我们能够扩展我们的用户可以利用的基础模型数量，同时保持成本可控。 Hugging Face的服务允许用户通过几个点击创建一个模型API并立即开始使用。关键的是，这项新服务具有“暂停和恢复”的功能，使我们能够在客户需要时激活模型API，并在不需要时将其休眠。 “我们惊喜地发现Hugging…

在这次对话中，Jeff Boudier询问了Writer的联合创始人兼首席技术官Waseem Alshikh，关于他们从Hugging Face用户到客户，再到现在的开源模型贡献者的旅程。 Writer是为什么而开始的？ 目前生成式人工智能领域存在哪些最大的误解？ Writer现在为什么要贡献开源模型？ Hugging Face Expert Acceleration Program服务对Writer的价值是什么？ Writer如何通过CPU和GPU来扩展服务LLMs的生产？ 效率和使用CPU对于生产有多重要？ 如果您对Hugging Face专家加速计划对您的公司感兴趣，请在此处联系我们 – 我们的团队将与您联系，讨论您的需求！

今天我们很高兴地宣布 SafeCoder – 一款为企业打造的代码助手解决方案。 SafeCoder 的目标是通过一个完全符合规范且自托管的双人编程工具，为企业解锁软件开发生产力。用市场术语来说：“你自己的本地 GitHub Copilot”。 在我们深入探讨之前，这是你需要了解的内容： SafeCoder 不是一个模型，而是一个完整的商业解决方案 SafeCoder 以安全和隐私为核心原则构建 – 代码在训练或推断过程中永远不会离开 VPC SafeCoder 设计为客户在自己的基础设施上进行自托管 SafeCoder 设计为客户拥有自己的 Code Large Language Model 为什么选择…

夏天正式结束了，过去的几个月里，Hugging Face非常忙碌。从Hub上的新功能到研究和开源开发，我们的团队一直在努力通过开放和协作的技术来赋能社区。 在这篇博客文章中，您将了解到Hugging Face在六月、七月和八月发生的一切！ 本文涵盖了我们团队一直在努力的各个领域，所以请随意跳到您最感兴趣的部分🤗 新功能 社区 开源 解决方案 研究 新功能 在过去的几个月里，Hub的公共模型仓库从10,000个增加到了16,000多个！感谢我们的社区与世界分享了这么多令人惊叹的模型。除了数量，我们还有很多很酷的新功能要与您分享！ Spaces Beta ( hf.co/spaces ) Spaces是一个简单且免费的解决方案，可以直接在您的用户个人资料或您的组织hf.co个人资料上托管机器学习演示应用程序。我们支持两个很棒的Python SDK，让您可以轻松构建酷炫的应用程序：Gradio和Streamlit。只需几分钟，您就可以部署一个应用程序并与社区分享！🚀 Spaces可以设置秘密，允许自定义要求，甚至可以直接从GitHub仓库进行管理。您可以在hf.co/spaces上注册beta版本。以下是我们的一些收藏！ 使用Chef Transformer创建食谱 使用HuBERT将语音转写为文本 在视频中进行分割，使用DINO模型 使用Paint…

在Hugging Face，我们为深度强化学习的研究人员和爱好者贡献了生态系统。这就是为什么我们很高兴地宣布我们将Stable-Baselines3集成到Hugging Face Hub中。 Stable-Baselines3是最流行的PyTorch深度强化学习库之一，它可以轻松训练和测试各种环境中的智能体（Gym、Atari、MuJoco、Procgen等）。通过这个集成，您现在可以托管您的保存模型💾并从社区中加载强大的模型。 在本文中，我们将展示如何实现这一点。 安装 要在Hugging Face Hub中使用stable-baselines3，您只需要安装这两个库： pip install huggingface_hub pip install huggingface_sb3 查找模型 我们目前正在上传玩Space Invaders、Breakout、LunarLander等游戏的智能体的保存模型。除此之外，您还可以在这里找到社区中的所有stable-baselines-3模型 当您找到所需的模型时，您只需要复制存储库ID： 从Hub下载模型 这个集成的最酷功能是您现在可以非常容易地从Hub加载一个保存的模型到Stable-baselines3。 为了做到这一点，您只需要复制包含您保存的模型和存储库中保存的模型zip文件的repo-id。 例如：sb3/demo-hf-CartPole-v1 ：…

在本教程中，您将学习如何使用基于Habana Gaudi的DL1实例在AWS上从头开始预训练BERT-base，以利用Gaudi的性价比优势。我们将使用Hugging Face Transformers、Optimum Habana和Datasets库来使用遮蔽语言建模预训练BERT-base模型，这是BERT的两个原始预训练任务之一。在开始之前，我们需要设置深度学习环境。 查看代码 您将学习如何： 准备数据集 训练一个分词器 预处理数据集 在Habana Gaudi上预训练BERT 注意：步骤1到3可以/应该在不同的实例大小上运行，因为这些是CPU密集型任务。 要求 在开始之前，请确保您满足以下要求： 具有DL1实例类型配额的AWS账户 已安装AWS CLI 在CLI中配置了AWS IAM用户，并拥有创建和管理EC2实例的权限 有用的资源 为Hugging Face Transformers与Habana Gaudi在AWS上设置深度学习环境…

正如您可能已经注意到的那样，我们的定价页面最近发生了很大变化。 首先，我们将逐步停用推理 API 服务的付费层。推理 API 仍然对每个人免费开放使用。但是，如果您正在寻找快速、企业级的推理即服务解决方案，我们推荐您了解我们全新的解决方案：推理端点。 除了推理端点，我们最近还为 Spaces 引入了硬件升级，这使得您能够使用您选择的硬件运行机器学习演示。使用这些服务不需要订阅；您只需要在您的帐户的计费设置中添加信用卡即可。您还可以将付款方式附加到您的任何组织。 您的计费设置集中了我们付费服务的所有内容。从那里，您可以管理您的个人高级订阅，更新您的付款方式，并可视化过去三个月的使用情况。我们所有付费服务和订阅的使用情况将在每个月初收费，并提供一份综合发票供您保存。 简而言之：在 HF，我们通过提供简单的 AI 计算访问来实现盈利，例如 AutoTrain、Spaces 和推理端点，这些服务可以直接从 Hub 访问。了解更多关于我们的定价和计费系统的信息。 如果您有任何问题，请随时联系我们。我们欢迎您的反馈🔥